深度学习与知识图谱在系统性风险监测预警中的应用

近年来，随着大数据、人工智能、云计算、区块链等新兴技术在金融行业的广泛应用，金融科技助力防范系统性金融风险成为研究的热点问题。本文探究了利用深度学习与知识图谱等金融科技监测预警系统性金融风险的方法。

（一）知识图谱

知识图谱由Google率先提出，其目的主要是用于对真实世界中存在的各种实体和概念，以及这些实体、概念之间的关系进行研究。实体指的是实际存在的事物，，比如人物-奥巴马、国家-中国、城市-广州。概念是比实体更抽象的表达，比如人、颜色、天气等。关系是实体与实体、实体与概念之间的结构或联系，包括层级关系和非层级关系。

国外知识图谱的研究工作已开展多年，产生出了大量优秀的图谱，包括DBpedia、YAGO、FreeBase、Knowledge Graph等。知识图谱是在语义本体的基础上进行了丰富和扩充；语义本体在构建过程中强调的是概念与概念之间的语义关联关系，为知识图谱的数据模式奠定基础；知识图谱则是在本地构建的基础上丰富了概念的信息。知识图谱广泛应用于数据挖掘、智能问答、语义搜索、知识工程等领域。

知识图谱的构建主要包括自顶向上（bottom-up）和自顶向下（top-down）2种方式。自底向上就是先获得知识图谱的实体数据，然后再构建本体，即先得到具体再得到抽象的概念。自顶向下的方式则是先定义或得到本体的数据，再逐渐将具体的实体加入到知识图谱中。

例如，系统重要性金融机构图谱可以用来描述机构的固定属性以及各种关联关系，基本属性包括公司介绍、高管、集团、股东、债务、行业、同行、上游、下游、概念、主营业务等属性，例如浦发银行的知识图谱如下。

（二）深度学习

深度学习的概念由Hinton等人于2006年提出，其前身为神经网络，在2016年DeepMind公司所开发的AphaGo击败围棋世界冠军李世石之后，深度学习这一概念逐渐被人认可。随着深度学习的发展，通过深度学习方法，能够更有效地处理机器翻译、语音识别、图像分类以及自然语言处理等机器学习类问题。深度学习的基本原理是通过神经网络结构进行低维到高维的映射，从而能够对数据的特征进行提取，最后能够得到数据的特征表示。

深度学习与其他算法一起工作，可以帮助我们进行分类，聚类和预测。通过深度学习，我们基本上可以通过软件来准确的解释我们周围发生的事情，从而使社会有更聪明的行为能力。

深度学习作为新兴技术与传统的浅层学习的主要不同在于：

（1）深度神经网络模型的深度比浅层学习网络的难度要大，通常有4层、5层甚至是20多层的隐藏层；

（2）深度学习每一个隐含层都是在做特征提取，充分体现了特征提取在深度网络中的重要性，将样本数据从低维特征空间转换到高维特征空间，有利于模型的训练与学习。

（三）深度学习与知识图谱的应用现状

国外对于知识图谱与深度学习结合应用也已经进行了深入的研究与探索，并取得了很好的效果，例如伦敦的Thomson Reuters公司推出了首个知识图谱框架（Knowledge Graph Feed），定制金融服务，提高金融行业服务水平。多个跨国公司如Amazon、Netflix、Spotify等利用深度学习结合知识图谱技术开发了推荐系统），分析客户需求，有针对性进行产品营销。

国内互联网巨头同样在知识图谱与深度学习结合方面进行了研究探索，如阿里的神马知识图谱已发展为拥有近5000万实体，近30亿关系的大规模知识图谱，为阿里业务的发展提供了巨大的帮助。百度发布了深度学习平台PaddlePaddle平台，腾讯公司也发布了DI-X深度学习平台，为用户提供一站式的深度学习服务。

深度学习与知识图谱在风险管理中的应用也得到了相关监管机构的高度重视。上交所、深交所等机构也在积极部署监管科技，提出利用深度学习结合知识图谱对上市公司风险进行监测预警，提高分类监管效率，提升监管水平。

（四）深度学习与知识图谱的在系统性风险监测预警中的应用

利用深度学习、自然语言处理等技术对系统重要性金融机构（SIFI）主体进行画像，对新闻、公告等风险信息进行分析，分别构建系统重要性金融机构知识图谱、风险事件图谱，对系统重要性金融机构进行监测预警，从而达到对系统性金融风险的监测预警。通过网络爬虫系统对系统重要性金融机构主体相关的新闻、公告等互联网信息进行信息爬取，将爬取的互联网信息运用自然语言处理等技术作为输入向量写入风险事件图谱，同时关联系统重要性金融机构主体知识图谱通过深度学习模型输出对系统重要性金融机构的风险监测预警信息，进而实现对系统性金融风险的监测预警。具体步骤如下图所示：

该系统性金融风险监测预警体系可以实现两方面的应用：

（1）实时监测预警指定的系统重要性金融机构的健康度

通过实时监测指定的系统重要性金融机构所关联的各类信息及其对公司健康度的影响，实时判别该金融机构的整体健康程度，并进行风险识别预警。

（2）监测互联网信息预警与之相关的系统重要性金融机构

通过实时监测全网的各类风险事件与新闻信息，通过自然语言处理技术、深度学习模型并关联系统重要性金融机构知识图谱匹配出与风险信息相关的金融机构，并判别风险事件对重要性金融机构健康度的影响程度，进而对系统性金融风险进行监测预警。